抽样推断法.ppt

工厂加工某种零件有三道工序：粗加工、返修加工和精加工。每道工序完成时，都要对产品进行检验。粗加工的合格品进入精加工，不合格品进入返修加工；返修加工合格品进入精加工，不合格品作为废品处理；精加工合格品为成品，不合格品为废品。 请用流程图表示这个零件的加工过程。 * 第五章 抽样推断法 推断统计：利用样本统计量对总体某些性质或数量特征进行推断。 随机原则 总体参数 统计量 推断估计 参数估计 检验 假设检验 抽样分布 案例 根据这个流程图，结合一个具体实例，说明数学建模的过程。 抽样分布 简单随机抽样和简单随机样本的性质 不放回 放 回 放回 不放 回 独立性和同一性 同一性 当n/N≤5%时，有限总体不放回抽样等同于放回抽样 统计量与抽样分布 统计量：即样本指标。 样本均值 样本成数 样本方差 如： 抽样分布： 某一统计量所有可能的样本的取值形成的分布。 性 质 数字特征 0≤P（Xi）?1 ∑P（Xi）=1 均值E（X） 方差E[x-E(x)]2 方差的平方根即抽样分布的标准差就是 推断的 抽样误差。 抽样误差就是样本平均数分布数列的标准差。 计算标准分 即将原始分数X经过线性变换转变为标准分Z。反映各原始分的平均数为中心的相对位置。 X O 任何原始分在总体中的位 置，用Z倍的σ来测定。 计算抽样误差（以平均指标为例） 设： 样本均值的抽样分布（简称均值的分布） 抽样 均值 均值μ=∑Xi/N 样本均值是样本的函数， 故样本均值是一个统计量， 统计量是一个随机变量， 它的概率分布称为样本均 值的抽样分布。 抽 样 方 法 均 值 方 差 标 准差 （1）从无限总体抽 样和有限总体放回抽样 （2）从有限总体不放回抽样 抽样误差 抽样误差 从正态总体中抽样得到的均值的分布也服从正态分布。 从非正态总体中抽样得到的均值的分布呢？ 中心极限定理：无论总体为何种分布，只要样本n足够大（n≥30），均值（ ）标准化为（z）变量，必定服从标准正态分布，均值（ ）则服从正态分布，即： 两个样本均值之差的抽样分布 抽样 抽样 估计 （1）如： （2〕如果两个总体都是非正态总体，只要n1、n2足够大，根据中心极限定理，可知： 样本成数（即比例）的抽样分布（简称成数的分布） 抽样 成数 成数P=Ni/N 所有可能的样本的成数（ ）所形成的分布，称为样本成数的抽样分布。 抽 样 方 法 均 值 方 差 标 准差 （1）从无限总体抽 样和有限总体放回抽样 （2）从有限总体不放回抽样 根据中心极限定理，只要样本足够大， 的分布就近似正态分布。（np和nq大于5时） 抽样误差 抽样误差 两个样本成数之差的抽样分布 抽样 抽样 估计 当n1、n2都足够大时，样本成数 都近似服从正态分布，两个样本成数之差（ ）也近似服从正态分布。 P1-P2=？ 一个样本方差的抽样分布 抽样 若:从一个正态总体中抽样所得到的样本方差的分布 n,S2 则 当 则 两个样本方差之比的抽样分布 抽样 从两个正态总体中分别独立抽样所得到的两个样本方差之比的抽样分布。 n1,S12 则 抽样 n2,S22 参数估计 点估计 以样本指标直接估计总体参数。 评价准则 的数学期望等于总体参数，即 该估计量称为无偏估计。 无偏性 有效性 当 为 的无偏估计时， 方差 越小，无偏估计越有效。 一致性 对于无限总体，如果对任意 则称 的一致估计。 是 充分性 一个估计量如能完全地包含未知参数信息，即为充分量 估计量 区间估计 估计未知参数所在的可能的区间。 评价准则 随机区间 置信度 精确度 随机区间 包含 （即可靠程度）越大越好。 的概率 的平均长度 （误差范围）越小越好 一般形式 或 总体参数 估计值 误差范围 △：一定倍数的抽样误差 例如： 抽样误差 一定时， 越大， 概率（可靠性）大； 随之增大， 精确度就差。 抽样组织方式和参数的区间估计 待估计参数 已知条件 置信区间 正态总体，σ2已知 正态总体，σ2未知 非正态总体，n≥30 有限总体，n≥30 （不放回抽样） 总体均值 （μ） σ未知时，用S σ未知时，用S 两个正态总体 已知 两个正态总体 未知但相等 两个非正态总体 ,n1，n2≥30 两个总体均值之差 μ1-μ2 待估计参数 已知条件 置信区间 无限总体， np和nq都大于5 总体成数 （p） 无限总体， N1P1＞5, n1q1＞5 N2P2＞5, n2q2＞5 两个总体成数之差 （P1-P2） 有